目录

第1章人工智能导引

1.1什么是人工智能

1.2人工智能的发展历程

1.3人工智能的学科分类

1.3.1机器学习

1.3.2计算机视觉

1.3.3自然语言处理

1.3.4知识表示与推理

1.4人工智能的现实应用案例

1.4.1人工智能在医疗领域的应用

1.4.2人工智能在金融领域的应用

1.4.3人工智能在教育领域的应用

1.4.4人工智能在交通领域的应用

1.4.5人工智能在制造业与农业中的应用

1.5人工智能的多维核心议题与技术融合

1.5.1人工智能领域的经典问题和求解方式

1.5.2机器学习模型和推理符号模型

1.5.3人工智能和大数据

1.5.4人工智能和机器学习

1.5.5人工智能和深度学习

小结

习题

第2章机器学习初步

2.1机器学习概述

2.1.1什么是机器学习

2.1.2机器学习的工作流程

2.1.3机器学习的特点

2.1.4机器学习的应用

2.2机器学习的术语

2.2.1特征

2.2.2标签

2.2.3模型

2.2.4数据集划分： 训练集、测试集和验证集

2.2.5过拟合与欠拟合

2.2.6偏差与方差

2.3机器学习的类型

2.4简单的机器学习算法

2.4.1监督学习

2.4.2无监督学习

2.4.3半监督学习

2.4.4集成学习

2.5机器学习的局限性和未来发展

小结

习题

第3章强化学习初步

3.1强化学习的基本概念和原理

3.1.1监督学习、无监督学习与强化学习

3.1.2强化学习的定义及其基本原理

3.1.3强化学习的典型应用场景

3.2强化学习案例分析： 多臂老虎机

3.2.1探索与利用的权衡

3.2.2ε贪婪算法

3.2.3上置信界算法

3.2.4案例研究： 简单的在线广告优化问题

3.3马尔可夫决策过程基础

3.3.1马尔可夫链

3.3.2马尔可夫奖励过程

3.3.3马尔可夫决策过程

3.4动态规划方法

3.4.1策略评估

3.4.2策略改进

3.4.3值迭代

3.4.4案例分析

小结

习题

第4章神经网络基础

4.1引言

4.1.1什么是神经网络

4.1.2神经网络的发展简史

4.1.3为什么学习神经网络

4.2神经网络的基本组成

4.2.1生物神经元与人工神经元

4.2.2激活函数

4.2.3神经网络的结构： 输入层、隐藏层和输出层

4.2.4权重和偏置

4.3单层感知器

4.3.1感知器的结构

4.3.2感知器的工作原理

4.3.3感知器的局限性

4.4多层感知器

4.5神经网络的训练过程

4.6神经网络的简单应用

4.6.1分类问题： 手写数字识别

4.6.2回归问题： 房价预测

4.7神经网络的优缺点

4.7.1神经网络的优势

4.7.2神经网络的局限性

4.7.3从神经网络到深度学习： 未来学习方向

小结

习题

第5章深度学习基础

5.1引言

5.1.1从神经网络到深度学习

5.1.2深度学习的发展历程

5.1.3深度学习的应用领域

5.2深度学习的基础架构

5.2.1深度前馈网络

5.2.2卷积神经网络

5.2.3循环神经网络

5.2.4长短期记忆网络

5.2.5Transformer模型

5.3深度学习的技巧

5.3.1批量归一化

5.3.2残差连接

5.4深度学习框架介绍

5.4.1TensorFlow

5.4.2PyTorch

5.4.3Keras

5.4.4框架的选择

小结

习题

第6章自然语言处理

6.1引言

6.1.1自然语言处理的定义与重要性

6.1.2NLP的主要应用领域

6.1.3NLP的历史发展与最新进展

6.2文本预处理技术

6.2.1分词

6.2.2词干提取与词形还原

6.2.3停用词去除

6.2.4文本规范化

6.3文本表示模型

6.3.1词袋模型

6.3.2TFIDF

6.3.3词嵌入

6.4文本分类——朴素贝叶斯分类器

6.5主题建模

6.5.1潜在语义分析

6.5.2潜在狄利克雷分配

6.5.3非负矩阵分解

6.6NLP的评估指标与挑战

6.6.1常用评估指标

6.6.2NLP面临的主要挑战

6.6.3伦理考虑

6.7未来展望

小结

习题

第7章大语言模型

7.1大语言模型简介

7.1.1什么是大语言模型

7.1.2LLM的发展历程

7.1.3代表性模型

7.1.4DeepSeek 

7.1.5LLM的影响

7.2大语言模型架构

7.2.1Transformer架构

7.2.2自注意力机制

7.2.3预训练与微调

7.3大语言模型的训练过程

7.3.1数据收集与预处理

7.3.2预训练阶段

7.3.3微调阶段

7.3.4评估与测试

7.4大语言模型的优势和局限性

7.4.1LLM的优势

7.4.2LLM的局限性与挑战

7.4.3LLM的未来发展方向

7.5编程案例： 使用Hugging Face Transformers库实现文本分类

7.5.1环境准备

7.5.2加载数据集

7.5.3加载预训练模型和分词器

7.5.4数据预处理

7.5.5模型训练

7.5.6模型评估

7.5.7使用模型进行预测

小结

习题

第8章语音识别技术

8.1语音信号处理基础

8.1.1语音信号的特性

8.1.2语音信号的数字化过程

8.1.3语音信号预处理技术

8.2音频信号可视化 

8.2.1波形图 

8.2.2频谱图

8.2.3声谱图 

8.2.4Python实现音频可视化

8.3时域与频域转换

8.3.1傅里叶变换回顾

8.3.2短时傅里叶变换

8.3.3Python实现时域频域转换

8.4音频信号生成

8.4.1基本音频信号生成原理

8.4.2使用NumPy生成音频信号

8.4.3Python实现音频信号生成

8.5语音特征提取

8.5.1MFCC特征介绍与提取 

8.5.2滤波器组能量特征

8.5.3基音频率特征 

8.5.4Python实现特征提取

8.6语音识别系统构建

8.6.1传统方法： 隐马尔可夫模型

8.6.2深度学习方法 

8.6.3Python实现简单的语音识别系统

8.7语音识别的新趋势

8.7.1端到端语音识别模型

8.7.2自监督学习在语音识别中的应用 

8.7.3多模态语音识别 

8.7.4低资源语音识别

小结

习题

第9章计算机视觉

9.1计算机视觉简介

9.1.1计算机视觉的定义和目标

9.1.2计算机视觉的应用领域

9.1.3计算机视觉与人工智能、机器学习的关系

9.2计算机视觉简介

9.2.1OpenCV简介及安装

9.2.2基本图像操作(读取、显示、保存)

9.2.3图像滤波和边缘检测

9.3视频分析与目标检测

9.3.1帧差法

9.3.2背景建模与前景分割

9.3.3基于色彩空间的目标跟踪

9.3.4光流法

9.4目标跟踪算法

9.4.1Mean Shift算法

9.4.2CAMShift算法

9.4.3其他方法

9.5特征提取与描述

9.5.1Haar特征

9.5.2SIFT特征

9.5.3其他方法

9.6深度学习在计算机视觉中的应用

小结

习题

第10章人工智能伦理与社会影响

10.1人工智能伦理概述

10.1.1AI伦理的重要性

10.1.2主要的AI伦理原则

10.1.3实践活动： AI伦理原则讨论

10.2AI的社会影响

10.2.1AI对就业的影响

10.2.2AI在医疗、教育等领域的应用和影响

10.2.3AI与隐私和数据安全

10.2.4实践活动： AI隐私案例分析

10.3AI偏见与公平性

10.3.1AI系统中的偏见来源

10.3.2减少AI偏见的方法

10.3.3案例研究： AI在司法系统中的应用

10.3.4实践活动： AI公平性评估

10.4AI安全与控制

10.4.1AI系统的安全挑战

10.4.2AI对全球安全的潜在影响

10.4.3确保AI系统可控的策略

10.4.4实践活动： AI安全风险评估

10.5AI的未来发展与监管

10.5.1AI技术的发展趋势

10.5.2AI监管的现状和挑战

10.6案例讨论： AI伦理困境

10.6.1自动驾驶汽车的决策伦理

10.6.2AI在社交媒体中的应用与信息茧房

小结

习题